Kerangka Materi

Pengenalan ke Kontainerisasi untuk AI & ML

  • Konsep dasar kontainerisasi
  • Mengapa kontainer ideal untuk beban kerja ML
  • Perbedaan kunci antara kontainer dan mesin virtual

Bekerja dengan Gambar Docker dan Kontainer

  • Memahami gambar, lapisan, dan registri
  • Mengelola kontainer untuk eksperimen ML
  • Menggunakan Docker CLI dengan efisien

Mempaketkan Lingkungan ML

  • Menyiapkan kode basis ML untuk kontainerisasi
  • Mengelola lingkungan Python dan dependensi
  • Mengintegrasikan dukungan CUDA dan GPU

Membangun Dockerfiles untuk Machine Learning

  • Strukturkan Dockerfiles untuk proyek ML
  • Praktik terbaik untuk kinerja dan kemudahan pemeliharaan
  • Menggunakan multi-stage builds

Mengontainerkan Model ML dan Pipelines

  • Mempaketkan model yang telah dilatih ke dalam kontainer
  • Mengelola strategi data dan penyimpanan
  • Menyebarkan alur kerja end-to-end yang dapat direproduksi

Menjalankan Layanan ML Berbasis Kontainer

  • Mengungkapkan titik akhir API untuk inferensi model
  • Membesarkan layanan dengan Docker Compose
  • Memantau perilaku runtime

Pertimbangan Keamanan dan Kepatuhan

  • Memastikan konfigurasi kontainer yang aman
  • Mengelola akses dan kredensial
  • Menangani aset ML rahasia

Menyebarkan ke Lingkungan Produksi

  • Menerbitkan gambar ke registri kontainer
  • Menyebarkan kontainer di setup on-prem atau cloud
  • Versi dan pembaruan layanan produksi

Ringkasan dan Langkah Berikutnya

Persyaratan

  • Memahami alur kerja machine learning
  • Pengalaman dengan Python atau bahasa pemrograman serupa
  • Kenalan dengan operasi dasar baris perintah Linux

Audience

  • Insinyur ML yang menyebarkan model ke produksi
  • Data scientists yang mengelola lingkungan eksperimen yang dapat direproduksi
  • Pengembang AI yang membangun aplikasi kontainerisasi yang skalabel
 14 Jam

Jumlah Peserta


Harga per Peserta

Testimoni (5)

Kursus Mendatang

Kategori Terkait